Inteligência artificial na tomografia para diagnóstico das doenças pulmonares intersticiais
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1277Palavras-chave:
Doenças Pulmonares Intersticiais, Tomografia, Inteligência ArtificialResumo
Objetivo: Analisar a influência da Inteligência Artificial no diagnóstico patológico das doenças pulmonares intersticiais (DPI) através da Tomografia (TC) com o processo de Deep Learning (DL) através de uma revisão integrativa. Metologia: Utilizamos os descritores Mesh em inglês das respectivas palavras-chave, associados ao operador booleano “AND” nas plataformas MEDLINE e Pubmed. Resultados: De 36 artigos somados de cada base de dados, foram analisados 8 coortes retrospectivas que abordam o uso de algoritmos na quantificação das lesões parenquimatosas, volume pulmonar, recuperação de imagens em bancos de dados e comparação de performance entre a tecnologia e observador no contexto de diagnóstico da DPI em TC. Conclusão: O DL através de algoritmos na TC se mostra promissor para auxiliar no diagnóstico de DPI com mais eficiência, podendo reduzir este processo no futuro. No entanto, são precisos mais estudos, principalmente prospectivos, com amplas bases de dados para resultados ainda melhores.
Referências
Wijsenbeek M, Suzuki A, Maher TM. Interstitial lung diseases. The Lancet. 2022 Sep;400(10354):769–86.
Exarchos KP, Gkrepi G, Kostikas K, Gogali A. Recent Advances of Artificial Intelligence Applications in Interstitial Lung Diseases. Diagnostics (Basel, Switzerland). 2023 Jul 6;13(13):2303.
Soffer S, Morgenthau AS, Shimon O, Barash Y, Konen E, Glicksberg BS, et al. Artificial Intelligence for Interstitial Lung Disease Analysis on Chest Computed Tomography: A Systematic Review. Academic Radiology. 2022 Feb;29:S226–35.
Dack E, Christe A, Fontanellaz M, Brigato L, Heverhagen JT, Peters AA, et al. Artificial Intelligence and Interstitial Lung Disease: Diagnosis and Prognosis. Investigative radiology. 2023 Aug 1;58(8):602–9.
Rea G, Sverzellati N, Bocchino M, Lieto R, Milanese G, D’Alto M, et al. Beyond Visual Interpretation: Quantitative Analysis and Artificial Intelligence in Interstitial Lung Disease Diagnosis “Expanding Horizons in Radiology.” Diagnostics (Basel, Switzerland). 2023 Jul 10;13(14):2333.
Furukawa T, Oyama S, Yokota H, Kondoh Y, Kataoka K, Johkoh T, et al. A comprehensible machine learning tool to differentially diagnose idiopathic pulmonary fibrosis from other chronic interstitial lung diseases. Respirology. 27(9):739–46.
Exarchos KP, Gkrepi G, Kostikas K, Gogali A. Recent Advances of Artificial Intelligence Applications in Interstitial Lung Diseases. Diagnostics (Basel). 2023 Jan 1;
Soffer S, Morgenthau AS, Shimon O, Barash Y, Konen E, Glicksberg BS, et al. Artificial Intelligence for Interstitial Lung Disease Analysis on Chest Computed Tomography: A Systematic Review. Academic Radiology. 2022 Feb;29:S226–35.
Islam MN, Inan TT, Rafi S, Akter SS, Sarker IH, Islam AKMN. A Systematic Review on the Use of AI and ML for Fighting the COVID-19 Pandemic. IEEE transactions on artificial intelligence. 2021 Mar 1;1(3):258–70.
Choe J, Hwang HJ, Seo JB, Lee SM, Yun J, Kim MJ, et al. Content-based Image Retrieval by Using Deep Learning for Interstitial Lung Disease Diagnosis with Chest CT. Radiology. 2022 Jan;302(1):187–97.
Walsh SLF, Calandriello L, Silva M, Sverzellati N. Deep learning for classifying fibrotic lung disease on high-resolution computed tomography: a case-cohort study. The Lancet Respiratory Medicine. 2018 Nov;6(11):837–45.
Christe A, Peters AA, Drakopoulos D, Heverhagen JT, Geiser T, Stathopoulou T, et al. Computer-Aided Diagnosis of Pulmonary Fibrosis Using Deep Learning and CT Images. Investigative radiology. 2019 Oct;54(10):627–32.
Agarwala S, Kale M, Kumar D, Swaroop R, Kumar A, Kumar Dhara A, et al. Deep learning for screening of interstitial lung disease patterns in high-resolution CT images. Clinical Radiology. 2020 Jun;75(6):481.e1-481.e8.
Bratt A, Williams JM, Liu G, Panda A, Patel PP, Walkoff L, et al. Predicting Usual Interstitial Pneumonia Histopathology From Chest CT Imaging With Deep Learning. Chest. 2022 Oct;162(4):815–23.
Handa T, Tanizawa K, Oguma T, Uozumi R, Watanabe K, Tanabe N, et al. Novel Artificial Intelligence-based Technology for Chest Computed Tomography Analysis of Idiopathic Pulmonary Fibrosis. Ann Am Thorac Soc. 2022 Jan 1;399–406.
Yin N, Shen C, Dong F, Wang J, Guo Y, Bai L. Computer-aided identification of interstitial lung disease based on computed tomography. Journal of X-Ray Science and Technology. 2019 Sep 4;27(4):591–603.
Yu W, Zhou H, Choi Y, Goldin JG, Teng P, Wong WK, et al. Multi-scale, domain knowledge-guided attention + random forest: a two-stage deep learning-based multi-scale guided attention models to diagnose idiopathic pulmonary fibrosis from computed tomography images. Medical physics. 2023 Feb;50(2):894–905.
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
